Deep learning-based optimization for motion planning of dual-arm assembly robots

机器人 水准点(测量) 计算机科学 维数之咒 运动规划 路径(计算) 人工智能 强化学习 工业工程 机器人学 对偶(语法数字) 过程(计算) 模拟 工程类 文学类 艺术 操作系统 程序设计语言 地理 大地测量学
作者
Kuo‐Ching Ying,Pourya Pourhejazy,Chen-Yang Cheng,Zong-Ying Cai
出处
期刊:Computers & Industrial Engineering [Elsevier]
卷期号:160: 107603-107603 被引量:14
标识
DOI:10.1016/j.cie.2021.107603
摘要

With the rapid technological and economic development, a growing number of companies are employing robots for their production and service operations. Motion planning is a fundamental topic in robotics that has received wide attention due to its importance in the development of industry 4.0 and intelligent manufacturing systems. This study sought to develop a deep learning-based optimization algorithm for planning collision-free trajectories of dual-arm assembly robots in complex operational environments. Given the high dimensionality of the robotic motion patterns, a Bi-directional Rapidly-exploring Random Tree integrated with the Long Short-term Memory (LSTM-BiRRT) method is proposed to enhance the effectiveness and efficiency of the planning process. Numerical experiments demonstrated that the LSTM-BiRRT algorithm outperforms the state-of-the-art approaches developed for motion planning of dual-arm robots in both two- and three-dimensional environments. The developed algorithm reduces the path length of the robotic operations at a significantly shorter computational time. The LSTM-BiRRT algorithm can serve as a strong benchmark for future developments as well as applications in the process autonomy across intelligent supply chains.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
干净的时光应助輝23采纳,获得20
1秒前
biows119完成签到,获得积分0
2秒前
慕青应助汪汪队立大功采纳,获得10
2秒前
材料打工人完成签到,获得积分10
3秒前
干净的时光应助YESKY采纳,获得10
3秒前
4秒前
xyy完成签到,获得积分10
4秒前
喵喵关注了科研通微信公众号
4秒前
研友_LjbjzL发布了新的文献求助10
4秒前
4秒前
5秒前
5秒前
JamesPei应助全智贤采纳,获得10
5秒前
旺旺发布了新的文献求助10
5秒前
黄龙完成签到,获得积分10
5秒前
希望天下0贩的0应助yefeng采纳,获得10
6秒前
科研通AI2S应助李李采纳,获得10
6秒前
Hello应助欧班长采纳,获得10
6秒前
lean完成签到,获得积分10
6秒前
zz完成签到,获得积分10
7秒前
8秒前
8秒前
小二郎应助傻傻的凌寒采纳,获得10
10秒前
巨石朵拉发布了新的文献求助10
10秒前
薰硝壤应助迷路冰安采纳,获得10
10秒前
10秒前
sss发布了新的文献求助10
11秒前
ding应助Anonyme采纳,获得10
11秒前
清风完成签到,获得积分10
12秒前
Lmy发布了新的文献求助10
12秒前
平常语海完成签到,获得积分10
12秒前
zxb完成签到,获得积分10
12秒前
脑洞疼应助东方采纳,获得10
13秒前
孙小猪发布了新的文献求助10
13秒前
dzz发布了新的文献求助10
13秒前
林的就行完成签到,获得积分10
13秒前
深情安青应助西米采纳,获得10
13秒前
阳光海云应助Bellamie采纳,获得10
14秒前
15秒前
16秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3156221
求助须知:如何正确求助?哪些是违规求助? 2807720
关于积分的说明 7874164
捐赠科研通 2465918
什么是DOI,文献DOI怎么找? 1312504
科研通“疑难数据库(出版商)”最低求助积分说明 630154
版权声明 601912